CN101256715A - 无线传感器网络中基于粒子滤波的多车辆声信号分离方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络的基于粒子滤波的多车辆声信号分离方法，包括先由传感节点采集检测范围内的多目标运动车辆发出的混合声信号，再初始化包括粒子数量，取值范围和各粒子的权重在内的序贯重要采样法的参数，并根据系统参数，确定信号混合矩阵和先验概率密度函数，接着利用贝叶斯原理得到后验概率密度函数，计算各粒子的权重并归一化，得到每个粒子的归一化权重，再根据设置的门限值对粒子进行重采样，用全部粒子加权计算当前时刻的声信号值，如此循环，最终得到所有时刻的声信号估计值，从而实现多种车辆声音信号分离。本发明的方法能处理非高斯、非线性模型和非平稳车辆声信号，而且易于实现。

Description

无线传感器网络中基于粒子滤波的多车辆声信号分离方法

技术领域

本发明涉及智能交通系统，特别涉及一种无线传感器网络的基于粒子滤波的多车辆声信号分离方法。

背景技术

近几年来，在集成电路、无线通信、微光机电等领域的巨大发展使得具有信号处理和无线通信能力的低功耗、低成本传感节点的生产成为可能。由大量的这些传感节点所构成的无线传感器网络经常被布置来对某一特定应用环境中的一个或多个目标做检测、分类、定位和跟踪任务。

车辆分类是一项重要的信号处理任务，有着广泛的军事和民用用途，例如智能交通系统。尽管一些现有技术方案针对车辆分类问题提出了解决方法，但大多数分类算法往往假定只有一个声信号源存在，然而对真实的环境而言这种假定是不够准确的。最常用的办法从混合的多车辆声信号中提取各个目标的声信号是执行盲源分离算法。但这种算法运算复杂度较高，且存在一定的模糊性。

针对多车辆识别这一特定问题，包括车辆声信号潜在的时域结构特征等在内的一些先验信息能够被利用而得到解决方案。粒子滤波，即序贯蒙特卡罗方法，能够有效的解决非线性和非高斯问题。它已经在许多棘手的问题中得到了应用，例如目标跟踪问题。事实上，粒子滤波也可以用来实现一种贝叶斯方法，对信号源做分离。本发明旨在提供一种基于粒子滤波的统计方法，用于对无线传感器网络的智能交通应用中多车辆声音信号进行分离，然后分类算法将被执行用来对多目标车辆进行识别。

发明内容

本发明的目的在于提供无线传感器网络的基于粒子滤波的多车辆声信号分离方法，以实现在具有多车辆监控应用的无线传感器网络中对各车辆声信号进行分离。

为了达到上述目的，本发明提供的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其包括步骤：1)在一无线传感器网络中，具有声信号采集功能的传感节点对检测范围内的多目标运动车辆发出的混合声信号进行采集；2)为执行粒子滤波，传感节点初始化序贯重要采样法的参数，包括设置粒子的数量，取值范围，各个粒子所对应的权重；3)传感节点根据系统参数，得到信号混合矩阵和以车辆声信号的粒子值为条件的采集声信号的条件概率密度函数，即先验概率密度函数；4)根据先验概率密度函数和采集到的声信号，运用贝叶斯公式得到以当前时刻采集得到的声信号为条件的车辆声信号的后验概率密度函数，再对全部粒子的权值进行归一化，得到各个粒子的新权重值；5)当性能低于门限值时，启动重要重采样程序进行重采样；6)根据所有车辆声信号的粒子值和它们的概率密度进行加权运算，求出当前时刻的车辆声信号取值；7)若当前时刻不是采集数据的最后时刻，返回到步骤(4)，进行下一时刻的迭代运算；8)将上述步骤中得到的各个时刻的声信号取值合并，得到目标的声信号估计。

其中，在步骤1)中，检测目标范围内的第m个运动车辆发出的声信号s_t(m)被建模为时变自回归过程： $s_t\left(m\right)={\mathrm{\θ}}_t{\left(m\right)}^T{S}_{t,p}\left(m\right)+\sqrt{{\mathrm{\β}}_t\left(m\right)}{\mathrm{\ω}}_t,$ 其中θ_t(m)代表自回归系数，β_t(m)代表第m个信号源s_t(m)的时变方差，ω_t为零均值单位方差高斯过程。在时刻t，全部M个信号源可以用向量表示为 $S_t={\mathrm{\θ}}_t{S}_{t,p}+\sqrt{{\mathrm{\β}}_t}{\mathrm{\ω}}_t.$ 当时间t从0变化到T时，以S_0:T代表车辆全部时刻的声信号数据。

在步骤2)中，N个粒子初始化的权重分别设为

在步骤3)中，以X_t表示K个传感节点所记录的K个观察数据，观察数据X_t与声信号数据S_t间的观测方程为： $X_t=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{A}_{t,j}{S}_{t-j+1}+\sqrt{\mathrm{\α}}{v}_t,$ 其中α为观察数据的噪声方差，v_t为零均值单位方差高斯过程，A_t，j为混合矩阵。当时间t从1变化到T时，以X_1:T代表混合信号的全部采样数据。先验概率密度函数p(X_t|S_t)为观测方程在S_t情况下取值X_t的概率。

在步骤4)中，第i个粒子的权重按关系式 ${\mathrm{\ω}}_t^i={\mathrm{\ω}}_{t-1}^{i}p\left(X_t\right|S_t^i)$ 在时刻t进行更新。归一化权重ωⁱ定义为

在步骤5)中，在重要重采样程序中每个粒子所产生的粒子数正比于其重要权重。

在步骤6)中，t时刻S_t的最小均方误差加权估计可以写为 $I\left(S_t\right)=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{0:t}^i\mathrm{\ω}\left(S_{0:t}^i\right)}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\ω}\left(S_{0:t}^i\right)}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{0:t}^i\stackrel{\‾}{{\mathrm{\ω}}^i}.$

在步骤8)中，由T时刻的估计值I(S_T)得到全部时刻的估计值I(S_0:T)。

综上所述，本发明的基于粒子滤波的多车辆声信号分离方法针对具有多车辆监控应用的无线传感器网络，提出一种适合无线传感器网络的算法，可以有效地处理非高斯，非线性模型和非平稳车辆声信号，成功地对多车辆声音信号进行分离。

附图说明

图1为本发明的基于无线传感器网络的智能交通系统中基于粒子滤波的车辆声信号分离方法操作流程示意图。

图2为检测范围内两种不同运动车辆单目标声信号源的短时谱示意图。

图3为两个传感节点采集到两种不同运动车辆声信号的混合信号的短时谱示意图。

图4为采用本发明的基于无线传感器网络的智能交通系统中基于粒子滤波的车辆声信号分离方法的分离后的两种不同车辆声信号的短时谱示意图。

具体实施方式

请参阅图1，本发明的基于无线传感器网络的智能交通系统中基于粒子滤波的车辆声信号分离方法主要包括以下步骤：

第一步：在一无线传感器网络中，具有声信号采集功能的传感节点对检测范围内的多目标运动车辆发出的混合声信号进行采集。检测目标范围内的第m个运动车辆发出的声信号s_t(m)被建模为时变自回归过程： $s_t\left(m\right)={\mathrm{\θ}}_t{\left(m\right)}^T{S}_{t,p}\left(m\right)+\sqrt{{\mathrm{\β}}_t\left(m\right)}{\mathrm{\ω}}_t,$ 其中θ_t(m)代表自回归系数，β_t(m)代表第m个信号源s_t(m)的时变方差，ω_t为零均值单位方差高斯过程。在时刻t，全部M个信号源可以用向量表示为 $S_t={\mathrm{\θ}}_t{S}_{t,p}+\sqrt{{\mathrm{\β}}_t}{\mathrm{\ω}}_t.$ 当时间t从0变化到T时，以S_0:T代表车辆全部时刻的声信号数据。为了对车辆做分类，首先需要对车辆声信号的事件时间序列做短时傅立叶变换来提取多维特征。在仿真中考虑的场景为从两个传感节点采集到的混合信号中分离出两个原始信号。短时傅立叶变换长度设为256，采样率为1024赫兹。图2给出了两种不同运动车辆单目标声信号源的短时谱示意图。

第二步：为执行粒子滤波，传感节点初始化序贯重要采样法的参数，包括设置粒子的数量，取值范围，各个粒子所对应的权重。N个粒子初始化的权重分别设为

仿真中N设为500。

第三步：传感节点根据系统参数，得到信号混合矩阵和以车辆声信号的粒子值为条件的采集声信号的条件概率密度函数，即先验概率密度函数。以X_t表示K个传感节点所记录的K个观察数据，观察数据X_t与声信号数据S_t间的观测方程为： $X_t=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{A}_{t,j}{S}_{t-j+1}+\sqrt{\mathrm{\α}}{v}_t,$ 其中α为观察数据的噪声方差，v_t为零均值单位方差高斯过程，A_t,j为混合矩阵。当时间t从1变化到T时，以x_1:T代表混合信号的全部采样数据。先验概率密度函数p(X_t|S_t)为观测方程在S_t情况下取值X_t的概率。图3给出了仿真中两个传感节点采集到两种不同车辆声信号的混合信号的短时谱示意图。不同的车辆声信号采用线性混合方式。

第四步：根据先验概率密度函数和采集到的声信号，运用贝叶斯公式得到以当前时刻采集得到的声信号为条件的车辆声信号的后验概率密度函数，再对全部粒子的权值进行归一化，得到各个粒子的新权重值。第i个粒子的权重按关系式 ${\mathrm{\ω}}_t^i={\mathrm{\ω}}_{t-1}^{i}p\left(X_t\right|S_t^i)$ 在时刻t进行更新。归一化权重ωⁱ定义为

第五步：当性能低于门限值时，启动重要重采样程序进行重采样。在重要重采样程序中每个粒子所产生的粒子数正比于其重要权重。重采样门限设为0.5。

第六步：根据所有车辆声信号的粒子值和它们的概率密度进行加权运算，求出当前时刻的车辆声信号取值。t时刻S_t的最小均方误差加权估计可以写为 $I\left(S_t\right)=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{0:t}^i\mathrm{\ω}\left(S_{0:t}^i\right)}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\ω}\left(S_{0:t}^i\right)}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{0:t}^i\stackrel{\‾}{{\mathrm{\ω}}^i}.$

第七步：若当前时刻不是采集数据的最后时刻，返回到步骤四，进行下一时刻的迭代运算。

第八步：由T时刻的估计值I(S_T)得到全部时刻的估计值I(S_0:T)。

请参见图4，其为采用本发明的基于无线传感器网络的智能交通系统中基于粒子滤波的车辆声信号分离方法的分离后的两种不同车辆声信号的短时谱示意图。由图2和图4可以看出，本发明的方法捕捉到了各个单目标信号的谐振结构，并且彼此没有明显的共同的特征，因此分类算法可以成功地对每个目标进行识别，达到了多目标运动车辆识别的目的。

Claims (8)

1.一种无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于包括步骤：

1)在一无线传感器网络中，具有声信号采集功能的传感节点对检测范围内的多目标运动车辆发出的混合声信号进行采集；

2)为执行粒子滤波，传感节点初始化序贯重要采样法的参数，包括设置粒子的数量，取值范围，各个粒子所对应的权重；

3)传感节点根据系统参数，得到信号混合矩阵和以车辆声信号的粒子值为条件的采集声信号的条件概率密度函数，即先验概率密度函数；

4)根据先验概率密度函数和采集到的声信号，运用贝叶斯公式得到以当前时刻采集得到的声信号为条件的车辆声信号的后验概率密度函数，再对全部粒子的权值进行归一化，得到各个粒子的新权重值；

5)当性能低于门限值时，启动重要重采样程序进行重采样；

6)根据所有车辆声信号的粒子值和它们的概率密度进行加权运算，求出当前时刻的车辆声信号取值；

7)若当前时刻不是采集数据的最后时刻，返回到步骤(4)，进行下一时刻的迭代运算；

8)将上述步骤中得到的各个时刻的声信号取值合并，得到目标的声信号估计。

2.如权利要求1所述的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于：在步骤1)中，检测目标范围内的第m个运动车辆发出的声信号s_t(m)被建模为时变自回归过程： $s_t\left(m\right)={\mathrm{\θ}}_t{\left(m\right)}^T{S}_{t,p}\left(m\right)+\sqrt{{\mathrm{\β}}_t\left(m\right)}{\mathrm{\ω}}_t,$ 其中θ_t(m)代表自回归系数，β_t(m)代表第m个信号源s_t(m)的时变方差，ω_t为零均值单位方差高斯过程。在时刻t，全部M个信号源可以用向量表示为 $S_t={\mathrm{\θ}}_t{S}_{t,p}+\sqrt{{\mathrm{\β}}_t}{\mathrm{\ω}}_t.$ 当时间t从0变化到T时，以S_0:T代表车辆全部时刻的声信号数据。

3.如权利要求1所述的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于：在步骤2)中，N个粒子初始化的权重分别设为

4.如权利要求1所述的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于：在步骤3)中，以X_t表示K个传感节点所记录的K个观察数据，观察数据X_t与声信号数据S_t间的观测方程为： $X_t=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{A}_{t,j}{S}_{t-j+1}+\sqrt{\mathrm{\α}}{v}_t,$ 其中α为观察数据的噪声方差，v_t为零均值单位方差高斯过程，A_t，j为混合矩阵。当时间t从1变化到T时，以X_1:T代表混合信号的全部采样数据。先验概率密度函数p(X_t|S_t)为观测方程在S_t情况下取值X_t的概率。

5.如权利要求1所述的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于：在步骤4)中，第i个粒子的权重按关系式 ${\mathrm{\ω}}_t^i={\mathrm{\ω}}_{t-1}^{i}p\left(X_t\right|S_t^i)$ 在时刻t进行更新。归一化权重ωⁱ定义为

6.如权利要求1所述的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于：在步骤5)中，在重要重采样程序中每个粒子所产生的粒子数正比于其重要权重。

7.如权利要求1所述的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于：在步骤6)中，t时刻S_t的最小均方误差加权估计可以写为 $I\left(S_t\right)=\frac{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{0:t}^i\mathrm{\ω}\left(S_{0:t}^i\right)}{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\ω}\left(S_{0:t}^i\right)}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{0:t}^i\stackrel{\‾}{{\mathrm{\ω}}^i}.$

8.如权利要求1所述的无线传感器网络的基于粒子滤波的多车辆声信号分离方法，其特征在于：在步骤8)中，由T时刻的估计值I(S_T)得到全部时刻的估计值I(S_0:T)。

Images